В FastAPI-приложениях часто используются синхронные библиотеки, которые могут блокировать event loop, если не вынесены в отдельные потоки. Вот список самых распространённых:

---

📚 1. Работа с базами данных

Библиотека	Назначение	Асинхронный аналог
psycopg2	PostgreSQL	asyncpg, sqlalchemy.ext.asyncio
mysql-connector-python	MySQL	aiomysql
sqlite3	SQLite	aiosqlite
SQLAlchemy (синхронный режим)	ORM	SQLAlchemy 2.0+ (async)
pymongo	MongoDB	motor

Пример проблемы:

# Синхронный запрос к PostgreSQL (блокирует loop, даже в `def`-маршруте!)
from sqlalchemy import create_engine
engine = create_engine("postgresql://user:pass@localhost/db")

@app.get("/sync-db")
def sync_db():
    with engine.connect() as conn:
        result = conn.execute("SELECT * FROM users")  # Блокирующий вызов
    return {"data": result.fetchall()}

---

🌐 2. HTTP-запросы

Библиотека	Асинхронный аналог
requests	httpx.AsyncClient, aiohttp
urllib3	Встроен в httpx

Пример:

import requests

@app.get("/sync-http")
def sync_http():
    r = requests.get("https://api.example.com")  # Блокирует поток
    return r.json()

---

📂 3. Работа с файлами

Библиотека	Асинхронный аналог
Встроенный open()	aiofiles
pandas.read_csv()/to_csv()	polars (частично async)
json.load()/dump()	aiofiles + json

Пример:

@app.get("/read-file")
def read_file():
    with open("large_file.csv") as f:  # Блокирующая операция
        data = f.read()
    return {"size": len(data)}

---

🔢 4. Математика и Data Science

Библиотека	Проблема	Решение
numpy	CPU-bound	ProcessPoolExecutor
pandas	CPU-bound + GIL	То же
scikit-learn	CPU-bound	Вынос в отдельные процессы

Пример:

import pandas as pd

@app.get("/process-data")
def process_data():
    df = pd.read_csv("data.csv")  # Загружает в потоке
    result = df.mean().to_dict()  # CPU-операция
    return result

---

⏱ 5. Утилиты и системные вызовы

Библиотека/Модуль	Асинхронная альтернатива
time.sleep()	asyncio.sleep()
subprocess.run()	asyncio.create_subprocess_exec
os.walk()	aiofiles.os.walk() (через сторонние решения)

Пример:

import time

@app.get("/delay")
def delay():
    time.sleep(5)  # Блокирует поток
    return {"message": "Готово"}

---

🛠 6. Другие популярные синхронные библиотеки

• Авторизация: passlib, bcrypt → Асинхронных аналогов нет (выносить в потоки).
• Кэширование: redis-py → aioredis.
• Шаблонизация: Jinja2 → jinja2.Environment (но обычно быстрая, не критично).

---

📌 Критические последствия

1. В async def-маршрутах синхронные библиотеки полностью блокируют event loop.
2. В def-маршрутах они работают в потоках, но:
   • При высокой нагрузке пул потоков исчерпывается.
   • CPU-операции страдают от GIL.

---

✅ Рекомендации по исправлению

1. Для def-маршрутов:

   • Увеличить пул потоков (если I/O-bound):

     import concurrent.futures
     pool = concurrent.futures.ThreadPoolExecutor(max_workers=100)

   • Для CPU-bound: ProcessPoolExecutor.

2. Для async def-маршрутов:

   • Всегда использовать asyncio.to_thread():

     await asyncio.to_thread(requests.get, "https://api.example.com")

   • Или переходить на async-аналоги (httpx, asyncpg).

3. Глобальное решение:
   Постепенная замена синхронных библиотек на асинхронные.

---

📊 Сводная таблица решений

Тип операции	Синхронная библиотека	Стратегия оптимизации
I/O-bound (БД, HTTP)	psycopg2, requests	Пул потоков или async-аналоги
CPU-bound (математика)	numpy, pandas	ProcessPoolExecutor
Файлы	open(), pandas.read_csv()	aiofiles, потоки
Утилиты	time.sleep()	asyncio.sleep()

Главное правило: Всегда проверяйте документацию библиотеки на предмет async-поддержки. Если её нет — планируйте вынос в потоки или процессы.